搜索资源列表
w
- 利用matlab实现下面的问题：其中u(k)和z(k)分别为模型的输入和输出变量；v(k)为零均值、方差为1、服从正态分布的白噪声；为噪声的标准差；利用得到的u(k)和z(k)来辨识模型的阶次和参数。-Using matlab to achieve the following questions: where u (k) and z (k) respectively, the input and output variables of the model v (k) with zero mea
REMOTE-IMAGE-PCT
- PCT也叫做主成分分析，处理的对象是遥感图像。它对原始K维数据的坐标轴进行了旋转，它将变换后的图像总方差进行最优化重新分布。 -The PCT also known as principal component analysis, remote sensing image processing. Its original K-dimensional data, the coordinate axis of rotation, it will transform the image after
Clutter_ModelingZMNL
- 通过ZMNL方法，完成了对瑞丽杂波，威布尔杂波，对数正态分布杂波以及K杂波的建模仿真，并对功率谱以及杂波幅度概率分布进行分析仿真-By ZMNL method, completed the Ruili clutter, Weibull clutter, lognormal and K clutter clutter modeling and simulation, and the power spectrum and amplitude probability distribution clut
gaosi
- 使用k均值的算法实现混合高斯模型参数的初始化并将多余高斯分布去（彩色图像）-The k-means algorithm using Gaussian mixture model parameter initialization and go the extra Gaussian distribution (color image)
program
- 动态K-S检验边缘分布的copula 分布估计算法- Marginal distribution in copula estimation of distribution algorithm based dynamic K-S test
program-two
- 静态K-S检验下的copula 分布估计算法边缘分布的研究- Marginal distribution in copula estimation of distribution algorithm based static K-S test
sinorder
- 为sinudoidal模型的AIC阶估计.AIC信息准则即Akaike information criterion，是衡量统计模型拟合优良性的一种标准，又由于它为日本统计学家赤池弘次创立和发展的，因此又称赤池信息量准则。它建立在熵的概念基础上，可以权衡所估计模型的复杂度和此模型拟合数据的优良性。 在一般的情况下，AIC可以表示为： AIC=2k-2ln(L) 其中：k是参数的数量，L是似然函数。 假设条件是模型的误差服从独立正态分布。 让n为观察数，RSS为剩余平方和，那么AIC变为：
ProbabAnalysisNetRadarargetDetect
- 在目标瑞利起伏的模型下,噪声服从零均值高斯分布时,对比了秩 K规则和最大信噪比规则这两种融合方法,对目标检测性能的影响。 - Detection property ofnetted radarusing order-Kand SNR maximization is analyzed underRayleigh fluctuations and zeromeanGaussian distribution noise. The detection probabilities of t
1
- 采用有限差分法分析光子晶体结构谐振腔，并获得omega-k色散关系，并由此推出带隙分布，及带隙宽度 计算正三角形lattice，采用正三角形9点差分格式，划分网格为正三角形 求解Helmholtz方程本征值问题，周期边界条件，计算区域为菱形原胞，中心为金属柱-photonic band gap，PBG
knn
- K近邻（KNN）：分类算法KNN是non-parametric分类器（不做分布形式的假设，直接从数据估计概率密度），是memory-based learning KNN不适用于高维数据（curse of dimension）-K-Nearest Neighbor (KNN): Classification Algorithm. KNN is a non-parametric classifiers (not to assume that the distribution of forms, fr
a-MATLAB--program
- 利用电压电流泰勒展开，计算极限潮流分布，也可计算不同负荷情况下的潮流分布，只要改动负荷因数K的大小即可-Taylor voltage and current use to calculate the limit flow distribution, flow distribution can also be calculated under different load conditions, as long as the changes in the size of the load fact
PeopleDensitydll
- 视频图像的人群密度检测，多种人群密度场景下人群计数算法： 算法功能:建立图像特征和图像人数的数学关系 算法输入:训练样本图像1,2…K 算法输出:模型估计参数 ，参考图像 算法流程：1)对训练样本图像进行分块处理(算法1.1)； 2)通过算法1.2，计算训练样本各个对应分块的ALBP特征归一化，再用K-means算法(可使用opencv等算法库实现，不再描述其算法)，将图像块分成k(k<K)类，获取k(k<K)个聚类中心，即为参考图像； 3)对分块的图像进行与
PCA-based-facial-recognition
- 基于PCA特征提取和距离哈希K近邻分布的人脸表情识别-PCA-based feature extraction and distribution of K-nearest neighbor distance hash Facial Expression Recognition
dna
- 分布函数的假设检验，K-S检验，计算K-S检验临界值Dn,a-Hypothesis testing, distribution function of K-S test, K-S test and Dn calculation of the critical value, a
Project1
- EM算法。问题背景是，有N条长为L的DNA序列，每条序列里面有一条长尾K的目标序列，但不知道他的位置，目标序列内的核苷酸服从foreground product multinomial distribution，非目标序列服从background multinomial distribution，改程序意在求解两种分布的参数。-EM algorithm. Background to the issue is that there are N pieces of length L of DNA
SafeguardRate2
- 程序功能说明：边际分析下的每个通信设备备件的保障率 程序参数说明：lambda——每个备件的故障率 k——每个备件的存储量 pk——备件的保障率服从泊松分布 Pi——在k个存量下备件的保障率 detai——边际效应-Each communication equipment, spare parts of marginal analysis under the protection rate Program Parameters: lambda spare
Monte-Carlo
- 某种商品进货价格为 a 元，出售价格为 b 元，假设对该商品每天早晨进货配齐 n 个，每日顾客 相互独立地到来，平均每日 m 人，且服从普阿松（ Poisson）分布 ! )( k em kP − mk ，其中 k 为每日到来 的人数。问当 a 2、 b＝3、 m 10 时，每天早晨该商品备齐多少个可得到最大利润。-One kind of goods with purchasing price a RMB, sale prove b RMB, su
EMSeg
- EM 算法是求参数极大似然估计的一种方法，它可以从非完整数据集中对参数进行估计，是一种非常简单实用的学习算法。这种方法可以广泛地应用于处理缺损数据、截尾数据以及带有噪声等所谓的不完全数据，可以具体来说，我们可以利用EM算法来填充样本中的缺失数据、发现隐藏变量的值、估计HMM中的参数、估计有限混合分布中的参数以及可以进行无监督聚类等等。-Expectation Maximization image segmentation Input: ima: gr
三步搜索法
- 本实验的目的是学习Parzen窗估计和k最近邻估计方法。在之前的模式识别研究中，我们假设概率密度函数的参数形式已知，即判别函数J(.)的参数是已知的。本节使用非参数化的方法来处理任意形式的概率分布而不必事先考虑概率密度的参数形式。在模式识别中有躲在令人感兴趣的非参数化方法，Parzen窗估计和k最近邻估计就是两种经典的估计法。(The purpose of this experiment is to study the Parzen window estimation and the k nea
GMRF
- 马尔科夫随机场一般是离散的。当然也有连续的马尔可夫随机场，如果假设这个马尔可夫随机场定义在一个域U上面而且任意x∈U，Y(x)都是服从高斯分布的，而且两点间的covariance function K(x,y)=G(x,y)，where G是对应U的格林函数，那么这个随机场既是马尔可夫随机场，也是高斯随机场。(The Markov random field is generally discrete. Of course there are continuous Markov random fi